网站备案 前置审批文件,小规模开普票网站建设几个点,网络优化app,深圳网站建设建设目录
文章摘要#xff1a;
研究背景#xff1a;
考虑柔性负荷的风、光、柴、储微电网模型#xff1a;
储能配置模型#xff1a;
粒子群算法#xff1a;
运行结果#xff1a;
1. 全年运行效果展示#xff1a;
2. 典型日运行效果#xff1a;
Matlab代码数据分享…目录
文章摘要
研究背景
考虑柔性负荷的风、光、柴、储微电网模型
储能配置模型
粒子群算法
运行结果
1. 全年运行效果展示
2. 典型日运行效果
Matlab代码数据分享 文章摘要
为了充分发挥需求响应技术在削峰填谷、消纳可再生能源方面的作用本文针对一个含风、光、柴、储资源的微型电网系统进行储能容量配置该微电网系统采用风光的互补优势结合蓄电池及柴油机对负荷进行供电。本文基于Matlab平台建立了以总净现值成本最低为目标函数并以燃料消耗、蓄电池容量、柴油机功率及其污染物的排放量为约束条件对其进行容量配置。采用了粒子群算法进行优化提高了算法的收敛速度避免陷入局部最优解。仿真结果表明在对负荷进行容量配置的过程中本文方法可以有效进行寻优提高了系统的稳定性和经济性。
研究背景
近年来推广可再生能源的利用、减少能源浪费、降低对化石能源的依赖已成为全球发展的关注点。然而风能和光能等可再生能源的大规模渗透和其本身具有的随机性不仅带来了本地消纳的困难的问题还影响了微电网的经济运行。并且单纯的依靠储能平抑可再生能源出力的波动性以及负荷和可再生能源出力之间功率的不平衡不仅无法解决这些问题还会带来容量冗余使微电网配置成本增加。作为一种可调度的负荷侧资源柔性负荷在作为调度发电补充同时还可以作为“虚拟储能”既实现了供需互动还可以协调储能系统对可再生能源供电的平衡作用可有效提高可再生能源的利用率和降低系统成本。因此柔性负荷和微电网的结合可使两者实现互补给微电网面临的问题提供了可行方案。
作为未来智能电网的重要组成部分合理利用自然资源对微电网系统容量进行优化配置是微电网规划设计领域中的核心课题。近年来针对微电网在经济性、可靠性、环境保护、能源利用、节能降损等方面的影响和效益国内外已有较多研究成果。基于已有是研究当前微电网独立型和并网型容量优化配置方法大致可分为对目标函数和求解方法的研究两大类。
考虑柔性负荷的风、光、柴、储微电网模型
微电网结构模式的确定是进行微电网规划设计的前提条件结构模式的构建对微电网具体接入电网的电压等级和容量规划以及具体分布式电源的选择会产生较大影响。本文中由风力发电、光伏发电、储能系统、逆变器以及负荷包含固定负荷和柔性负荷构成了风/光/储微电网系统。其中本文将可调度的柔性负荷分为工业高载负荷、商业聚合负荷和居民智能家用负荷3类。并且根据风/光/储微电网系统各种组网方式的特点选择了具有控制简单、扩容方便等优点的直流母线组网方式其系统结构如图2-1所示。 储能配置模型
出力模型分析在容量配置中出力模型由风力发电机、光伏、蓄电池以及柴油机组成。其中风力发电机的功率由该地区的风速及风力发电机的额定功率决定。光伏的实际输出功率由光照强度和光伏的额定功率决定。蓄电池在容量配置中的作用是进行能量调节和平衡负载原理是将化学能转换为电能这个过程就是蓄电池充放电的过程。柴油机作为互补系统中主要的后备发电设备它的输出功率与耗油量及柴油机的型号有关。
在进行风光柴储的容量配置中需要在兼顾经济性的同时考虑到系统的稳定性经济性由系统的投资成本Cin、维护成本Cm、缺电损失成本Ccop、治污成本Con及燃油成本Cf组成4。稳定性考虑到负荷缺电率(lossofpowersupplyprobabilityLPSP)和能量浪费率(energywasterateEW)两个指标为了提高系统的收敛速度把负荷缺电率和能量浪费率合并成一个指标以LE表示用α进行平衡。由此系统的多目标函数表达式为 粒子群算法
粒子群算法的发展过程。粒子群优化算法ParticalSwarmOptimizationPSO粒子群中的每一个粒子都代表一个问题的可能解通过粒子个体的简单行为群体内的信息交互实现问题求解的智能性。由于PSO操作简单、收敛速度快因此在函数优化、图像处理、大地测量等众多领域都得到了广泛的应用。
粒子群算法ParticleSwarmOptimization,PSO最早是由Eberhart和Kennedy于1995年提出它的基本概念源于对鸟群觅食行为的研究。设想这样一个场景一群鸟在随机搜寻食物在这个区域里只有一块食物所有的鸟都不知道食物在哪里但是它们知道当前的位置离食物还有多远。最简单有效的策略寻找鸟群中离食物最近的个体来进行搜素。PSO算法就从这种生物种群行为特性中得到启发并用于求解优化问题。
用一种粒子来模拟上述的鸟类个体每个粒子可视为N维搜索空间中的一个搜索个体粒子的当前位置即为对应优化问题的一个候选解粒子的飞行过程即为该个体的搜索过程粒子的飞行速度可根据粒子历史最优位置和种群历史最优位置进行动态调整粒子仅具有两个属性速度和位置速度代表移动的快慢位置代表移动的方向。每个粒子单独搜寻的最优解叫做个体极值粒子群中最优的个体极值作为当前全局最优解。不断迭代更新速度和位置。最终得到满足终止条件的最优解。
算法流程如下
1、初始化
首先我们设置最大迭代次数目标函数的自变量个数粒子的最大速度位置信息为整个搜索空间我们在速度区间和搜索空间上随机初始化速度和位置设置粒子群规模为M每个粒子随机初始化一个飞翔速度。
2、个体极值与全局最优解
定义适应度函数个体极值为每个粒子找到的最优解从这些最优解找到一个全局值叫做本次全局最优解。与历史全局最优比较进行更新。
3、更新速度和位置的公式 4、终止条件
1达到设定迭代次数2代数之间的差值满足最小界限 以上就是最基本的一个标准PSO算法流程。和其它群智能算法一样PSO算法在优化过程中种群的多样性和算法的收敛速度之间始终存在着矛盾对标准PSO算法的改进无论是参数的选取、小生境技术的采用或是其他技术与PSO的融合其目的都是希望在加强算法局部搜索能力的同时保持种群的多样性防止算法在快速收敛的同时出现早熟收敛。
运行结果
1. 全年运行效果展示 2. 典型日运行效果 Matlab代码数据分享
